金融工程高智威|Alpha掘金系列之十三：AI选股模型特征筛选与处理：SHAP、中性化与另类特征

主要观点总结

本文探讨了机器学习模型在量化投资领域中的特征工程研究，包括模型的特征选择方法、另类因子的引入、因子与标签的中性化处理等方面的关键问题，并通过实证分析得出了一系列重要结论。文章还介绍了改进后的因子与策略效果，并构建了基于各宽基指数的指数增强策略，取得了显著的超额收益和较低的回撤风险。

关键观点总结

关键观点1: 文章介绍了机器学习模型在量化投资中的特征工程研究的重要性及尚存的空白。

文章强调了特征选择、另类因子的引入以及因子与标签中性化处理等关键问题的探讨和实证分析。

关键观点2: 基于SHAP的特征选择方法显著降低了模型训练成本并提升了GRU模型的精度。

文章指出SHAP提供的可视化工具能够直观地展示各个因子的作用，为进一步优化模型提供了有价值的参考。

关键观点3: 引入宏观经济数据和BARRA因子收益率等另类因子在一定程度上提升了LightGBM模型的超额收益，但在大中盘股上的应用方法仍需进一步探索。

文章还介绍了高频因子在小微盘股上的有效性。

关键观点4: 经过中性化标签合成改进的GBDT模型和经过SHAP特征选择改进的NN模型在不同成分股上测试，取得了显著的样本外效果。

文章详述了具体的年化超额收益和超额最大回撤数据，构建了基于各宽基指数的指数增强策略。

关键观点5: 文章提示了策略的风险，包括模型时效风险、交易成本提高或其他条件改变可能导致策略收益下降甚至出现亏损。

提示读者注意策略的风险并做出理性决策。